在Win7下搭建开源爬虫框架Nutch运行环境

软件支持：

SUN JDK1.6以上,Apache-nutch-1.6,hadoop-1.1.2,Apache-ant-1.8.4 Cygwin

需要注意事项：JDK的安装路径不能有空格（比如我的JDK安装在D:\Java\jdk1.6.0_25）。

其它的软件安装路径也最好不要有空格。比如上面用到的东东我都是安装或者解压到D盘根目录。

前天学习了Heritrix爬虫，感觉Heritrix爬虫确实很强大，能够爬到很多东西。但是无法直接构建索引，我希望直接能用Nutch构建的索引，今天就学习了一下Nutch爬虫。

由于Nutch是构建在Hadoop基础上的，而Hadoop是基于Linux环境的，在windows下无法工作的。
按照网上的说法，弄了个Cygwin。下载的Cygwin一直不能正常使用。最后在csdn上下载了一个才能正常使用了。下载地址为：http://download.csdn.net/download/leiajay/4209535
一共4个包，都下载后解压安装就OK了。
接着就是在cygwin中运行Nutch了。我用的是Apache-Nutch-1.6的版本。
将Apache-nutch-1.6解压到D盘根目录下。然后在nutch的根目录下新建一个urls文件夹，在urls文件夹里面新建一个txt文件，里面填入需要抓取的url，比如：http://www.sina.com
然后在cygwin中将目录转到Nutch目录下：
$ cd /cygdrive/d/apache-nutch-1.6
然后键入命令进行抓取：
$ bin/nutch crawl urls -dir data -threads 5 -depth 2
结果报错：
Exception in thread "main" java.io.IOException:Failed to set permissions of path:\tmp\hadoop-ysc\mapred\staging\ysc-2036315919\.staging to 0700
在网上找到是Hadoop的Bug所致。又下载了Hadoop的源代码，用Ant重新构建了一下。 （Ant安装及环境变量的配置挺简单的）然后用新构建好的jar包替换Nutch中用到的Hadoop core的jar包。这个详细的步骤在文章结尾部分的参考资料中有。
Ant构建的过程比较简单，但是我第一次构建就出错了。因为我没有在Cgywin的工作台去构建，而是跑到cmd下构建了。这里是需要注意的。
重新运行Nut的命令。结果报错如下：No Agents listed in "http.agent.name" property。

把nutch的conf目录下的nutch-site.xml进行配置后，抓取正常了！

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>
<property>
<name>http.agent.name</name>
<value>nutch</value>
<description>aaaa</description>
</property>
</configuration>

学习过程还是比较顺利的了。重要的参考资料如下：
国内首套Nutch视频：http://yangshangchuan.iteye.com/blog/1837935（这也是学习过程的新发现哦）
Cgywin Nutch报错：http://yangshangchuan.iteye.com/blog/1839784